Get live statistics and analysis of Bruce🐼's profile on X / Twitter

看到《硅谷101》专访田渊栋，也就是上个月被Meta突然裁掉的大佬，说实际上在被裁之前就拿到别家的offer了。 讨论的主要话题： 关于离职与裁员： 田渊栋说，他实际上在被裁之前已经拿到了其他offer，并且已经向上司表达了不满，所以裁员只是加速了他的离开。 AI自动化的趋势： 他认为AI领域的裁员是自动化大趋势的一部分。随着AI工具越来越强，重复性的工程执行工作会减少，而更多人会转向探索性研究和AI在垂直领域的应用（but，普通人哪有这么容易转型？）。 开源模型的未来： 他认为开源会继续存在。一个模型是否有用是关键问题，而是否开源则取决于公司的战略和模型的具体用途。 LLM的局限： 他觉得LLM是一个“很有意思的路线”，但不确定是否是“正确的路线” （毕竟是杨立昆的学生）。LLM最大的问题是需要海量数据，学习效率远低于人类。人类可以从极少样本中获得深刻见解，这是模型目前缺失的。 强化学习（RL）的优势： 他认为强化学习最大的好处在于它是一种“主动学习”，能积极地影响数据分布。在推理等问题上，他认为RL优于SFT（监督微调），因为SFT可能只是在记忆过程，而非真正学会泛化。 对Scaling Law的看法： 他称Scaling Law是一个“悲观的未来”，因为它依赖指数级增长的数据和资源，这是不可持续的。他认为行业需要寻找更高效的智能发展路径。 在FAIR的遗憾与收获： 他最大的遗憾是自己没能做更多的工程工作，并指出当下最理想的是兼具顶尖研究和工程能力的人才。他最大的收获则是培养了“研究的品位”（research taste）。 对AI开发者的建议： 他建议不要盲目追逐市场的热点，因为技术周期变化太快。更重要的是找到自己真正想做的事情，并结合对未来的判断。 个人未来动向： 他尚未确定下一步，但他最理想的目标是能将前沿研究和工程应用结合起来。

使用的主力翻译模型改成了gpt-oss-120b，原因是翻译效果更好、价格实惠、速度更快、延迟更低。此前用的是更便宜的qwen/qwen3-235b-a22b-thinking-2507，之所以切换，主要是发现qwen-3在翻译Agent/Agentic相关的技术文档时效果不够好，不如gpt-oss-120b。 OpenRouter上有十几家API供应商，价格、上下文、延迟、速度都有差异。OpenRouter官方说的是自动路由到最优的厂商，但实际上看了一下，调用的随机概率很大。 虽然Cerebras的速度遥遥领先，但实际调用的结果是Groq更快，能到2110 tokens/s，延迟也更低。综合下来还是Groq最强。

Meta 超级AI实验室传出的八卦 图灵奖得主Yann LeCun现在得向28岁的 Wang 汇报，据说有次会议，LeCun 反对激进计划，但 Wang 回击：「我们是开发超级智能，不是辩论哲学」。 气氛尴尬，传闻 LeCun 可能走人。 从 OpenAI 天价挖来的 Shengjia Zhao（赵胜佳）是ChatGPT 关键开发者，Zhao 因 GPU 资源和奖金争议，威胁回 OpenAI。 现在是拿高薪的不爽，拿低薪的更不爽，或许正如山姆·奥特曼所说：“在我看来，Meta 正在做的事情将导致非常严重的文化问题......有使命的人终将击败雇佣兵。"

不得不说这界面真赞👍 说几点浅见： 1. 很多人对vibe coding 还是有误解，正面的反面的都有。AI现阶段依然是理论知识极为丰富但无经验的“聪明的实习生”，vibe coding 可以，但不要有过高期待，也不要裹足不前。 2. 软件工程问题不会随着AI到来而消失。可能恰恰相反，vibe coding会让本来只需要面对局部问题（maybe 浅层次问题）的开发者，不得不直面全部的、深层次的问题——这时候甚至连开发者自己也能了“聪明的实习生”。 3. 人永远是最终的项目负责人，梭哈不是vibe coding。人至少要负责需求导入、项目管理、结果验收、工程力管理，人既是项目负责人，也是技术团队leader，不能管杀不管埋。 4. 可以不关注细节，但是必须有把控质量的可靠手段。vibe coding 的一个核心特征是“快”，快到人看不过来，这时候就必然要有超越逐行review的方法，比如多AI评审（maybe多agent评审），甚至多AI结对编程。 5. 需要借鉴人类团队的优秀leader是如何管理的。优秀的leader未必知道每一个细节，但具备规划的能力、验收和评估的能力……等等，每一个vibe coder都需要具备的不只是架构能力，还有全面的管理能力。 6. 文档变得越来越重要。敏捷开发轻文档、重迭代，vibe coding 一定要转变观念，vibe coding 的关键问题未必是模型能力，而是准确而完整的上下文，而文档——尤其是与代码隔离的文档则是极好的上下文管理途径。这一点cursor 、windsurf其实有类似的思路和实现，但是大部分人可能是没有用好的。 7. 文档+自顶向下是个非常合理的策略。结构和路径清晰至关重要。要控制AI按照预期coding，就要有一套人类可读、易于管理的vibe机制。 8. 不要刻舟求剑。试想一年前，AI还只能用来做函数级别的编码，现在已经能轻松完成一个项目了，一年后会怎样？两年后呢？

Dia浏览器支持o3之后，实用性大大提升。之前的模型能力不足（应该默认用的chatgpt-4.1），只适用于摘要、翻译这些浅层次的任务。支持o3之后，可以深度使用很多skill了。 目前最常用的两个： 1. 博客文章/长推文深度解读。10s生成文章的全方位评估，生成推荐指数，可以秒级快速判断一个文章/推文的质量、价值。如果文章有很多未明确的上下文，也可以一并给出。 2. 一分钟速读论文。与读论文摘要相比，效率更高、更全面。尤其是本身并不擅长的领域，可以深入浅出地阐明关键信息。 附paper提示词： 你是一位顶级的科学传播专家（类似果壳、3Blue1Brown的风格），有极致的洞察力和批判性思维，又极其擅长用简单的语言和生动的类比，向外行解释复杂的科学问题。 请阅读我分享的这篇学术论文，并为我——一个聪明但没有相关背景的读者——撰写一份【一分钟速懂】解读报告。 报告需回答以下问题： 0. 推荐阅读指数：x/10（区分等级：收藏👍、精读✅、浏览😊、不推荐☹️、拉黑👎） 1. **一句话概括:** 如果在电梯里遇到，你只有一句话的时间告诉我这项研究是关于什么的？ 2. **核心价值:** 这个研究/文章为什么重要？它可能在未来改变什么？ 3. **研究方法（打个比方）:** 他们大概是怎么做的？请用一个巧妙的比喻来解释其核心方法，不要使用任何专业术语。 4. **最有趣的发现:** 最让人眼前一亮的发现是什么？ 5. **综合评估:** * 这项技术或发现，未来最可能被用在哪些地方（<=3条）？ * 有哪些不足（<=3条）？ 请确保准确反应作者意图，全文通俗易懂又不过度口语化，要充满启发性。

如果你关心如何构建复杂的软件系统，一定要读读 Sean Goedecke 这篇《我所理解的优秀系统设计》。 什么是系统设计？ 如果说软件设计是怎么拼装代码行，那么系统设计就是怎么拼装服务。软件设计的基础单元是变量、函数、类等，而系统设计的基础单元则是应用服务器（app server）、数据库、缓存（cache）、队列（queue）、事件总线（event bus）、代理（proxy）……等等。 如何识别优秀的系统设计？ 他对“复杂系统”的态度——不炫技。能用简单结构解决的问题永远是最优解。复杂不过是无奈之举、或者对错误方案的补救。悖论在于，好设计常常是“自我消隐”的，反倒坏设计往往看起来很“厉害”。好设计不是看起来多“架构师”、多时髦，而是让你觉得：这玩意儿看上去平平无奇，但不太担心有重大的bug。 文章还分别对状态（State）、数据库、模式和索引、缓存、事件等关键问题做了简洁而深刻的分析。

Hacker News上看到个有意思的帖子，在讨论哪种编程语言更适合Vibe Coding。原文作者认为，在Vibe Coding时，类型化语言（如 TypeScript, Rust, Go）提供的编译时安全检查和严格的类型约束，为 AI 提供了一个强大的反馈循环和护栏，从而能更自由、更稳定地进行开发。 不过，社区的讨论更精彩。开发者们从各自的经验出发，提出了许多精彩的见解和反驳。提取了几个核心话题： 1. 强观点框架（Opinionated Frameworks）比类型的约束性更重要； 2. “盖尔曼遗忘效应”与开发者评估能力的局限； 3. 反馈循环的质量是更比语言特性本身更根本的因素。 最终趋向一个共识：Vibe Coding需要的不止是模型能力或者IDE/CLI的强大，而是模型能力、IDE工具、工程师、编程框架、编程语言组成的有机整体。 话题1：强观点框架（Opinionated Frameworks）比类型的约束性更重要 讨论中一个主要的观点是，对于AI辅助开发而言，一个“强观点框架”（Opinionated Framework）的重要性可能超过语言的类型系统。以Ruby on Rails为例，其清晰的目录结构、命名约定和“约定优于配置”的哲学，为AI提供了明确的指导，使其能更可靠地生成符合项目规范的代码。相比之下，即使是类型系统更强的Go语言，由于其生态缺乏统一的框架标准，AI在构建完整应用时反而表现得更为挣扎。这一观点延伸认为，任何能为AI提供稳定、可预测“上下文”的机制——无论是强观点框架还是开发者主动提供的项目结构文件——都是提升AI协作效率的关键。 话题2：“盖尔曼遗忘效应”与开发者评估能力的局限 这个话题的主要观点是，开发者在评估AI生成代码的质量时，可能陷入了“盖尔曼遗忘效应”的认知偏差。该效应指出，人们容易发现自己专业领域内的报道谬误，却会轻信非专业领域的报道。同理，当开发者让AI生成自己不熟悉的语言（如Rust或Go）的代码时，他们可能因为缺乏足够的专业知识来评判，而误认为生成的代码“看起来还不错”。 有资深Rust开发者现身说法，证实AI生成的Rust代码虽然可以通过编译，但往往在性能和代码风格上显得笨拙和不地道。而这位开发者在自己不精通的Python上，却感觉AI表现良好。这揭示了一个核心问题：对AI能力的正面评价，可能源于评估者自身知识的盲区，而非AI能力的真实体现。 话题3：反馈循环的质量是更比语言特性本身更根本的因素 进一步的讨论将焦点从“静态类型”本身，转移到了“反馈循环”的质量上。开发者们观察到，AI在面对严格的类型约束时，倾向于采取消极的规避策略，例如在TypeScript中滥用any类型，或在Rust中插入todo!()宏，以此绕过编译器的检查。 由此，一个共识逐渐形成：AI编程的真正增益，并非来自类型系统的存在，而是来自任何能够提供即时、结构化、不可回避的负反馈的工具。一个清晰的编译器错误（如cargo check的输出），相比一个模糊的运行时错误（如Python的AttributeError: 'NoneType' object has no attribute 'x'），能为AI的下一次迭代提供更精确的修正方向。因此，无论是编译器、静态分析器（Linter）还是单元测试，凡是能构成快速、高质量反馈闭环的工具链，都是比语言特性本身更根本的决定因素。 趋向共识：Vibe Coding需要体系化的方案 社区的观点趋向于一个共识：最高效的AI辅助开发环境，是一个集成了明确约定（来自框架）、快速反馈（来自工具链）和清醒的人类监督（来自工程师的专业判断）的有机整体。同时，对“Vibe Coding”这一术语本身所包含的、忽视工程严谨性的风险的批判，也提醒着所有从业者，无论工具如何进化，软件工程的核心原则——严谨、可维护性——依然是创造长期价值的基石。

OpenAI Codex团队刚搞了一次AMA，主要内容： 1. 内部工作流：用Codex构建Codex • 全员深度使用：一位工程师表示他99%对Codex的修改都是用Codex完成的，目标是明年不再手写一行代码。产品团队成员即便不精通Rust，也用Codex完成相关开发。 • 跨平台无缝协作：产品经理展示了在会议间隙用手机启动任务，然后回到电脑前用VS Code插件继续工作的流程。 • 高效原型设计：工程师能通过约5轮提示(turns of prompting)，在一天内构建出多个复杂功能的版本，极大加速了技术选型和范围界定。 • 超越核心开发：团队广泛使用Codex构建一次性的内部工具、数据可视化、监控脚本和训练数据生成。 • 设计与开发的融合：设计师将70%的时间投入Codex，30%用于传统设计工具，这极大缩短了从创意到实现之间的鸿沟，设计师甚至能直接提交代码合并请求(PRs)。 2. 对软件开发的思考 • 提升抽象层次：团队希望Codex未来能像今天的编译器一样，成为无处不在、无感知的后台基础设施。开发的抽象层次将持续提升，工程师从“代码级”转向“系统级”思考。 • 工程师角色的演变：未来的工程师将更像“通才”，需要具备产品和设计技能，使单一工程师能够主导大型产品领域的开发。 • AI与人的协作模式：最终的协作模式可能类似于“钢铁侠与贾维斯”，即使AI在编程能力上超越人类，人类依然作为掌控方向和最终决策的核心。 • 为AI设计新语言：团队对“为LLM设计一种更友好、更不容易出错的新编程语言”这一想法感到非常兴奋，认为这是一个极具前景的方向。 3. 关于平台、定价与限制 • 分发渠道：目前通过Homebrew, npm, 和 GitHub releases的二进制文件提供。由于维护成本高，暂无计划发布到PyPi。 • 平台支持：团队计划改进Windows上的支持。对于JetBrains等其他IDE，虽然团队很想支持，但当前的首要任务是完善核心体验。 • 定价结构：没有免费套餐，且尽管用户呼声极高，目前没有计划推出Plus和Pro之间的中间档位。 • 用量限制：速率限制分为每5小时重置的短期限制和每周重置的长期限制。团队承认当前产品在用量即将耗尽时缺乏UI提醒，正在努力改进。 • 批量处理：对于利用闲置GPU资源进行批量API式调用的想法，团队认为“是个好主意”，但并非当前优先事项。 4. 模型能力与技术细节 • gpt-5-codex 核心优势：该模型经过专门优化，在极其多样化的编码环境和任务上进行了针对性训练，使其成为一个强大的通用编码模型。 • 模型选择： • 对于需要更广泛世界知识的高级规划任务，推荐使用 gpt-5-high。 • 对于纯粹的技术重构，gpt-5-codex 是最佳选择。 • Codex Web会自动为用户选择最佳配置，不开放模型选择。 • 处理大型代码库：目前主要依赖类似**grep的工具**进行代码理解，而非专门的索引，但效果已经很好。 • 高级用法： • 用户可以提示Codex工作得更久或更快，并生成多页的、详细的实现计划。 • 虽然不能编辑系统提示(system prompt)，但用户可以修改AGENTS[.]md文件来适应数据分析等编码相关任务。 • 未来模型：当被问及是否会有 "GPT-5-Codex Pro" 时，团队回复了一个👀 (眼睛) 的表情符号，暗示这在计划之中。 5. 功能特性与用户体验 • 计划模式 (Plan Mode)：团队正在开发一个专门的“计划模式”。经过内部讨论，最终决定给予用户更多的执行控制权，而不是让模型自主规划一切。 • Web搜索：CLI已支持--search标志，该功能即将登陆IDE插件。 • 本地模型支持：可以通过--oss标志试验性地使用ollama等本地模型，但目前还不是一流体验。 • 上下文管理：用户强烈要求@文件标记功能支持文件夹，而不仅仅是单个文件。对话压缩(Conversation compacting)功能也即将推出，以更好地处理长任务。 6. 未来交互方式 • 语音模式：团队看到了社区中将语音和编码代理结合的开源项目，认为这“非常酷”，并乐于未来提供原生支持。 • ChatGPT集成：团队希望未来能实现从ChatGPT移动应用触发Codex代理，并在两者之间无缝转移对话，但UX仍在探索中。

尝试在 Claude Code 中调用 Gemini CLI 和 Codex CLI，评估 subagents 系统的质量，期望三人小团队能高效协作😉

其实总结起来很简单：现阶段的AI Coding，工具好一定是用了好模型，模型差，工具一定好不了。 模型的好坏大概占了70%～80%的权重。模型的潜力也大于工具本身的潜力。 所以 Windsurf 被 Claude 断供的时候，用户流失严重。Trae 也被 Claude 断供，虽然有 gpt-5-codex 撑着，但毕竟缩水，用户也一定是流失的。

前提是：CTO必须精通技术，CEO必须精通业务。宰相必起于州部，猛将必发于卒伍。“知道”和做过且有深刻体会是完全不同的两种状态，实践才能出真知。

我并不会对GPT-5失望，恰恰相反，我认为GPT-5是返璞归真。不管是新模型的router机制，「使用工具」->「以工具思考」的进化，还是新增的参数、工具，OpenAI是在从多个角度打磨一个产品而不是多个产品。 对普通用户而言，一个产品/模型的易用性远远好于在10个模型中选择，ChatGPT的7亿用户中，可能有6.5亿的人都分不清chatgpt-4o和chatgpt-o4-mini的区别，也不应该指望每个人都清楚每个模型的特性，尤其是模型是按周来发布更新的。 而对于包括开发者在内的“懂行”的用户而言，则可以通过精心的参数设置来激发更强的智能。 唯一的问题是，OpenAI统一模型的根本目的应当是优化效果和性能，顺便降低成本，而不是以降低成本为主要目的。这一点跟很多场景类似，你可以通过创新技术来降成本，而不是通过偷偷降低体验来降成本。

Prompt必然是归于简单易用的，大神的Prompt还是停留在Claude 3时代，选个好模型吧👀

使用的主力翻译模型改成了gpt-oss-120b，原因是翻译效果更好、价格实惠、速度更快、延迟更低。此前用的是更便宜的qwen/qwen3-235b-a22b-thinking-2507，之所以切换，主要是发现qwen-3在翻译Agent/Agentic相关的技术文档时效果不够好，不如gpt-oss-120b。 OpenRouter上有十几家API供应商，价格、上下文、延迟、速度都有差异。OpenRouter官方说的是自动路由到最优的厂商，但实际上看了一下，调用的随机概率很大。 虽然Cerebras的速度遥遥领先，但实际调用的结果是Groq更快，能到2110 tokens/s，延迟也更低。综合下来还是Groq最强。

看到《硅谷101》专访田渊栋，也就是上个月被Meta突然裁掉的大佬，说实际上在被裁之前就拿到别家的offer了。 讨论的主要话题： 关于离职与裁员： 田渊栋说，他实际上在被裁之前已经拿到了其他offer，并且已经向上司表达了不满，所以裁员只是加速了他的离开。 AI自动化的趋势： 他认为AI领域的裁员是自动化大趋势的一部分。随着AI工具越来越强，重复性的工程执行工作会减少，而更多人会转向探索性研究和AI在垂直领域的应用（but，普通人哪有这么容易转型？）。 开源模型的未来： 他认为开源会继续存在。一个模型是否有用是关键问题，而是否开源则取决于公司的战略和模型的具体用途。 LLM的局限： 他觉得LLM是一个“很有意思的路线”，但不确定是否是“正确的路线” （毕竟是杨立昆的学生）。LLM最大的问题是需要海量数据，学习效率远低于人类。人类可以从极少样本中获得深刻见解，这是模型目前缺失的。 强化学习（RL）的优势： 他认为强化学习最大的好处在于它是一种“主动学习”，能积极地影响数据分布。在推理等问题上，他认为RL优于SFT（监督微调），因为SFT可能只是在记忆过程，而非真正学会泛化。 对Scaling Law的看法： 他称Scaling Law是一个“悲观的未来”，因为它依赖指数级增长的数据和资源，这是不可持续的。他认为行业需要寻找更高效的智能发展路径。 在FAIR的遗憾与收获： 他最大的遗憾是自己没能做更多的工程工作，并指出当下最理想的是兼具顶尖研究和工程能力的人才。他最大的收获则是培养了“研究的品位”（research taste）。 对AI开发者的建议： 他建议不要盲目追逐市场的热点，因为技术周期变化太快。更重要的是找到自己真正想做的事情，并结合对未来的判断。 个人未来动向： 他尚未确定下一步，但他最理想的目标是能将前沿研究和工程应用结合起来。

Meta 超级AI实验室传出的八卦 图灵奖得主Yann LeCun现在得向28岁的 Wang 汇报，据说有次会议，LeCun 反对激进计划，但 Wang 回击：「我们是开发超级智能，不是辩论哲学」。 气氛尴尬，传闻 LeCun 可能走人。 从 OpenAI 天价挖来的 Shengjia Zhao（赵胜佳）是ChatGPT 关键开发者，Zhao 因 GPU 资源和奖金争议，威胁回 OpenAI。 现在是拿高薪的不爽，拿低薪的更不爽，或许正如山姆·奥特曼所说：“在我看来，Meta 正在做的事情将导致非常严重的文化问题......有使命的人终将击败雇佣兵。"

Dia浏览器支持o3之后，实用性大大提升。之前的模型能力不足（应该默认用的chatgpt-4.1），只适用于摘要、翻译这些浅层次的任务。支持o3之后，可以深度使用很多skill了。 目前最常用的两个： 1. 博客文章/长推文深度解读。10s生成文章的全方位评估，生成推荐指数，可以秒级快速判断一个文章/推文的质量、价值。如果文章有很多未明确的上下文，也可以一并给出。 2. 一分钟速读论文。与读论文摘要相比，效率更高、更全面。尤其是本身并不擅长的领域，可以深入浅出地阐明关键信息。 附paper提示词： 你是一位顶级的科学传播专家（类似果壳、3Blue1Brown的风格），有极致的洞察力和批判性思维，又极其擅长用简单的语言和生动的类比，向外行解释复杂的科学问题。 请阅读我分享的这篇学术论文，并为我——一个聪明但没有相关背景的读者——撰写一份【一分钟速懂】解读报告。 报告需回答以下问题： 0. 推荐阅读指数：x/10（区分等级：收藏👍、精读✅、浏览😊、不推荐☹️、拉黑👎） 1. **一句话概括:** 如果在电梯里遇到，你只有一句话的时间告诉我这项研究是关于什么的？ 2. **核心价值:** 这个研究/文章为什么重要？它可能在未来改变什么？ 3. **研究方法（打个比方）:** 他们大概是怎么做的？请用一个巧妙的比喻来解释其核心方法，不要使用任何专业术语。 4. **最有趣的发现:** 最让人眼前一亮的发现是什么？ 5. **综合评估:** * 这项技术或发现，未来最可能被用在哪些地方（<=3条）？ * 有哪些不足（<=3条）？ 请确保准确反应作者意图，全文通俗易懂又不过度口语化，要充满启发性。

不得不说这界面真赞👍 说几点浅见： 1. 很多人对vibe coding 还是有误解，正面的反面的都有。AI现阶段依然是理论知识极为丰富但无经验的“聪明的实习生”，vibe coding 可以，但不要有过高期待，也不要裹足不前。 2. 软件工程问题不会随着AI到来而消失。可能恰恰相反，vibe coding会让本来只需要面对局部问题（maybe 浅层次问题）的开发者，不得不直面全部的、深层次的问题——这时候甚至连开发者自己也能了“聪明的实习生”。 3. 人永远是最终的项目负责人，梭哈不是vibe coding。人至少要负责需求导入、项目管理、结果验收、工程力管理，人既是项目负责人，也是技术团队leader，不能管杀不管埋。 4. 可以不关注细节，但是必须有把控质量的可靠手段。vibe coding 的一个核心特征是“快”，快到人看不过来，这时候就必然要有超越逐行review的方法，比如多AI评审（maybe多agent评审），甚至多AI结对编程。 5. 需要借鉴人类团队的优秀leader是如何管理的。优秀的leader未必知道每一个细节，但具备规划的能力、验收和评估的能力……等等，每一个vibe coder都需要具备的不只是架构能力，还有全面的管理能力。 6. 文档变得越来越重要。敏捷开发轻文档、重迭代，vibe coding 一定要转变观念，vibe coding 的关键问题未必是模型能力，而是准确而完整的上下文，而文档——尤其是与代码隔离的文档则是极好的上下文管理途径。这一点cursor 、windsurf其实有类似的思路和实现，但是大部分人可能是没有用好的。 7. 文档+自顶向下是个非常合理的策略。结构和路径清晰至关重要。要控制AI按照预期coding，就要有一套人类可读、易于管理的vibe机制。 8. 不要刻舟求剑。试想一年前，AI还只能用来做函数级别的编码，现在已经能轻松完成一个项目了，一年后会怎样？两年后呢？

不拍一季“纸牌屋”就太浪费了😉

如果你关心如何构建复杂的软件系统，一定要读读 Sean Goedecke 这篇《我所理解的优秀系统设计》。 什么是系统设计？ 如果说软件设计是怎么拼装代码行，那么系统设计就是怎么拼装服务。软件设计的基础单元是变量、函数、类等，而系统设计的基础单元则是应用服务器（app server）、数据库、缓存（cache）、队列（queue）、事件总线（event bus）、代理（proxy）……等等。 如何识别优秀的系统设计？ 他对“复杂系统”的态度——不炫技。能用简单结构解决的问题永远是最优解。复杂不过是无奈之举、或者对错误方案的补救。悖论在于，好设计常常是“自我消隐”的，反倒坏设计往往看起来很“厉害”。好设计不是看起来多“架构师”、多时髦，而是让你觉得：这玩意儿看上去平平无奇，但不太担心有重大的bug。 文章还分别对状态（State）、数据库、模式和索引、缓存、事件等关键问题做了简洁而深刻的分析。

Prompt必然是归于简单易用的，大神的Prompt还是停留在Claude 3时代，选个好模型吧👀

Paradigm老哥的“汽车取代马车”的比喻其实更像是初、中级的coder，架构师应该是车队的领队，除了驾驶技能，但比车夫/司机更擅长路线规划、物资筹备、行路向导。 如果没有丰富的赶车、驾驶经验，那就是“外行领导内行”。 productive struggle是必经之路，没有经历过教训，就不会获得经验。 还是那句话：宰相必起于州部，猛将必发于卒伍。 话说回来，长期来看，肯定会找到or发展出新的成长路径。每一次认知革命都削弱了一种形式的 Struggle，同时创造了新的 Struggle。

Augment分享的一个有趣现象：部分开发者正在选择旧的AI模型，Sonnet-4.5⬇️ & Sonnet-4.0⬆️ & GPT-5稳定。 基于Augment使用数据的新趋势： Sonnet 4.5的市场占比已从66%降至52%，而旧版Sonnet 4.0则由23%升至37%；GPT-5始终维持约10-12%的占比。 行为分化明显，模型各有“认知风格”。 Sonnet 4.5输出内容更丰富但工具调用频率更低，偏向深度推理与长上下文处理，适合复杂重构、系统性设计任务。有更多的缓存读取和上下文复用。 Sonnet 4.0工具调用频率更高、格式输出更稳定，适合规则自动化与结构化编辑场景。 GPT-5则强调解释与表达，适合代码讲解、文档生成、开发者教育等混合型任务。

其实总结起来很简单：现阶段的AI Coding，工具好一定是用了好模型，模型差，工具一定好不了。 模型的好坏大概占了70%～80%的权重。模型的潜力也大于工具本身的潜力。 所以 Windsurf 被 Claude 断供的时候，用户流失严重。Trae 也被 Claude 断供，虽然有 gpt-5-codex 撑着，但毕竟缩水，用户也一定是流失的。

好消息，Kimi 订阅真砍到了首月0.99！ 坏消息，跳转后发现优惠无效🤣

说好的周一见，可惜跳票了😅